一种牵引系统故障的在线诊断方法及装置与流程

1.本发明涉及轨道交通牵引系统的故障诊断技术，尤其涉及一种牵引系统故障的在线诊断方法，以及一种牵引系统故障的在线诊断装置。


背景技术：

2.在机车、动车组等列车运行过程中，任何微小或潜在的故障和隐患若不能被及时诊断和有效，都有可能引发连锁反应造成事故，甚至酿成灾难性后果。牵引系统统作为高速列车的“心脏”，由于其运行环境复杂、腐蚀、温度、湿度、供电浪涌，以及静电等因素都会影响其运行状态，极易发生故障，且不能通过定期维修的方式来消除。如果列车在运行途中发生了故障，最好能实现在线准确故障源定位，以便及时排除故障或执行适当的隔离保护策略。如未能及时诊断出故障原因并排除故障，将会造成行车事故，延误列车的正常运行，影响整个线路及至全路的运输秩序。
3.目前列车牵引系统的故障诊断仍主要基于采集传感器信号，采用简单超阈值报警等故障检测方法，例如：牵引系统网侧的过压、过流检测；牵引变流器的输入/输出过流检测、中间直流过压/欠压检测、冷却系统温度、水压力过高/过低等检测与保护功能。然而，此类检测方法都属于故障表征的检测，无法诊断出现此类表征的真实原因，一般需要临时停车由司机或系统维护人员进行排查。
4.为了克服现有技术存在的上述缺陷，本领域亟需一种牵引系统的在线故障诊断技术，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。


技术实现要素：

5.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
6.为了克服现有技术存在的上述缺陷，本发明提供了一种牵引系统故障的在线诊断方法、一种牵引系统故障的在线诊断装置，以及一种计算机可读存储介质，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
7.本发明提供的上述牵引系统故障的在线诊断方法，包括：监测所述牵引系统的故障特征变量；响应于所述故障特征变量异常而输出对应的故障分类使能标志；根据所述故障分类使能标志采集所述牵引系统的相关时域统计量；从所述相关时域统计量提取相关特征指标以生成观测向量序列；以及将所述观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为所述牵引系统的故障诊断结果。
8.可选地，在本发明的一些实施例中，所述在线诊断方法还可以包括：判断所述故障特征变量是否超过给定的阈值；以及响应于所述故障特征变量超过所述阈值而判断所述故障特征变量异常。
9.可选地，在本发明的一些实施例中，根据所述故障分类使能标志采集所述相关时域统计量的步骤可以包括：响应于所述故障分类使能标志而获取所述故障特征变量，并根据所述故障分类使能标志从对应的传感器获取其他相关的时域统计量。
10.优选地，在本发明的一些实施例中，所述在线诊断方法还可以包括：对所述牵引系统的历史故障数据进行故障特征分析以提取相关特征变量；根据所述相关特征变量计算故障特征指标，以得到所述故障特征指标的观测向量序列的样本库；以及根据所述样本库训练所述牵引系统的各类所述故障模型。
11.优选地，在本发明的一些实施例中，得到所述观测向量序列的样本库的步骤可以进一步包括：将具有k个所述观测向量序列的样本库定义为o＝{o
(1)
,o
(2)
,
…
,o
(k)
}，其中，为第k个观测向量序列，为o
(k)
的第t时刻的d维观测向量。
12.优选地，在本发明的一些实施例中，训练各类所述故障模型的步骤可以包括：建立描述所述观测向量序列的统计特征的hmm模型；根据所述hmm模型建立gmm-hmm模型；根据所述gmm-hmm模型确定所述观测向量序列的概率密度函数；以及根据所述历史故障数据的样本库进行参数初始化，并对所述gmm-hmm模型进行参数估计。
13.优选地，在本发明的一些实施例中，建立所述hmm模型的步骤可以进一步包括：选择n个状态s＝{s1,s2,
…
,sn}及m个高斯混合元以建立所述hmm模型，其中，x
nm
为状态sn的第m个混合元。
14.优选地，在本发明的一些实施例中，建立所述gmm-hmm模型的步骤可以进一步包括：将所述gmm-hmm模型描述为λ＝(π,a,c,μ,u)，其中，π为初始状态概率分布，a为状态转移概率分布，c为混合权利重，μ为均值矢量，u为协方差矩阵；将所述初始状态概率分布π定义为π＝[π1,π1,
…
,πn]
t
，其中，q
t
为t时刻所述观测向量序列的状态，p[
·
]为所述观测向量序列的概率，πn＝p[q1＝sn]≥0且将所述状态转移概率分布a定义为其中，a
ij
＝p[q
t+1
＝sj|q
t
＝si]≥0且所有i满足将所述混合权利重c定义为其中，c
nm
≥0且所有n满足将所述
均值矢量μ定义为其中，代表混合元x
nm
的d维均值向量；以及将所述协方差矩阵u定义为其中，u
nm
代表混合元x
nm
的d
×
d维协方差矩阵。
[0015]
优选地，在本发明的一些实施例中，确定所述观测向量序列的概率密度函数的步骤可以进一步包括：将状态sn的观测向量的概率密度函数描述为其中，为观测向量对应的混合元x
nm
的概率密度函数。
[0016]
可选地，在本发明的一些实施例中，确定最大概率值对应的故障模型的步骤可以包括：将所述观测向量序列载入一个经过预先训练的相关的gmm-hmm模型λ＝(π,a,c,μ,u)，以计算所述观测向量序列在所述模型下的概率；判断是否还有下一相关的gmm-hmm模型；响应于还有下一相关的gmm-hmm模型，将所述观测向量序列载入下一所述模型，以计算所述观测向量序列在下一所述模型下的概率；以及响应于没有下一相关的gmm-hmm模型，输出最大概率值对应的gmm-hmm模型的序号。
[0017]
优选地，在本发明的一些实施例中，计算所述观测向量序列在一个gmm-hmm模型下的概率的步骤可以进一步包括：对所述观测向量序列的概率p[o|λ]取对数，以计算所述观测向量序列的似然概率log
10
(p[o|λi])；以及将所述似然概率log
10
(p[o|λi])作为所述观测向量序列在所述gmm-hmm模型下的概率。
[0018]
可选地，在本发明的一些实施例中，输出最大概率值对应的gmm-hmm模型的序号的步骤可以进一步包括：判断所述最大概率值是否大于预设的概率阈值；以及响应于所述最大概率值大于所述概率阈值，才输出所述最大概率值对应的gmm-hmm模型的序号。
[0019]
可选地，在本发明的一些实施例中，进行参数初始化的步骤可以进一步包括：根据所述历史故障数据的样本库，利用分段k-means算法进行所述参数初始化。对所述gmm-hmm模型进行参数估计的步骤可以进一步包括：基于baum-welch算法完成对所述gmm-hmm模型的参数估计。
[0020]
根据本发明的另一方面，本文还提供了一种牵引系统故障的在线诊断装置。
[0021]
本发明提供的上述牵引系统故障的在线诊断装置包括存储器及处理器。所述处理器连接所述存储器，并配置用于实施上述任意一个实施例所提供的牵引系统故障的在线诊断方法，从而对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
[0022]
优选地，在本发明的一些实施例中，所述在线诊断装置可以包括多个所述处理器。第一处理器为故障检测单元，可以配置用于在线监测所述牵引系统的故障特征变量，并响
应于所述故障特征变量异常而输出对应的故障分类使能标志。第二处理器为故障分类单元，可以配置用于根据所述故障分类使能标志、所述故障特征变量及所述牵引系统的相关时域统计量，确定所述牵引系统的故障诊断结果。
[0023]
优选地，在本发明的一些实施例中，所述在线诊断装置还可以包括第三处理器。所述第三处理器可以配置用于根据所述牵引系统的历史故障数据训练所述牵引系统的各类故障模型。
[0024]
根据本发明的另一方面，本文还提供了一种计算机可读存储介质。
[0025]
本发明提供的上述计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，可以实施上述任意一个实施例所提供的牵引系统故障的在线诊断方法，从而对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
附图说明
[0026]
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
[0027]
图1示出了根据本发明的一些实施例提供的牵引系统故障的在线诊断方法的原理框图。
[0028]
图2示出了根据本发明的一方面提供的牵引系统故障的在线诊断方法的流程示意图。
[0029]
图3示出了根据本发明的一些实施例提供的牵引系统故障的在线诊断方法的流程示意图。
具体实施方式
[0030]
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
[0031]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0032]
另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
[0033]
能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区
域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
[0034]
如上所述，目前列车牵引系统的故障诊断仍主要基于采集传感器信号，并采用简单超阈值报警等故障检测方法来进行。这种故障检测方法属于故障表征的检测，无法诊断出现此类表征的真实原因，一般需要临时停车由司机或系统维护人员进行排查。
[0035]
为了克服现有技术存在的上述缺陷，本发明提供了一种牵引系统故障的在线诊断方法、一种牵引系统故障的在线诊断装置，以及一种计算机可读存储介质，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
[0036]
在本发明的一些实施例中，上述牵引系统故障的在线诊断方法可以由牵引系统故障的在线诊断装置的处理器来实施。该在线诊断装置包括但不限于牵引系统的控制器及其他具有故障诊断功能的独立装置。具体来说，牵引系统故障的在线诊断装置可以包括存储器及处理器。该存储器可以是一种计算机可读存储介质，其上存储有计算机指令。该处理器可以执行存储器上存储的计算机指令，以实施上述牵引系统故障的在线诊断方法。
[0037]
请参考图1，图1出了根据本发明的一些实施例提供的牵引系统故障的在线诊断方法的原理框图。
[0038]
如图1所示，在一些非限制性的实施例中，牵引系统故障的在线诊断方法可以分为离线设计和在线实现两部分来实现。在进行牵引系统故障的在线诊断之前，在线诊断装置的处理器可以在离线设计阶段，首先对牵引系统的历史故障案例数据进行故障特征分析，提取相关特征变量并计算特征指标以得到故障特征指标的观测向量序列的样本库。之后，处理器可以基于此样本库训练各类故障的gmm-hmm模型参数，以用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
[0039]
可以理解的是，上述hmm模型为隐马尔可夫模型，适于描述持续一定周期的连续信号的时序特征。上述gmm-hmm模型为高斯-隐马尔可夫混合模型，适于描述时序特征的概率。在一些实施例中，上述离线设计部分可以由在线诊断装置的总处理器来实施。可选地，在另一些实施例中，在线诊断装置也可以配置专用的子处理器模块来实施上述离线设计部分。
[0040]
具体来说，在一些实施例中，处理器可以采用gmm-hmm算法对故障特征指标的时间序列建模。假定一个具有k个时序特征观测向量序列的样本库，定义如式(1)所示：
[0041]
o＝{o
(1)
,o
(2)
,
…
,o
(k)
}
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0042]
式中：为第k个观测向量序列，为o
(k)
的第t时刻的d维观测向量。
[0043]
为了建立描述故障特征指标向量序列的统计特征的hmm模型，处理器可以选择n个状态和m个高斯混合元如下：
[0044]
s＝{s1,s2,
…
,sn}
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0045]
[0046]
其中，x
nm
为状态sn的第m个混合元。
[0047]
如此，gmm-hmm模型可以描述为：
[0048]
λ＝(π,a,c,μ,u)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0049]
其中，π为初始状态概率分布，a为状态转移概率分布，c为混合权利重，μ为均值矢量，u为协方差矩阵。
[0050]
假设q
t
为t时刻该观测向量序列的状态且p[
·
]为该观测向量序列的概率，则gmm-hmm模型的参数可定义为：
[0051]
π＝[π1,π1,
…
,πn]
t
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]
其中，πn＝p[q1＝sn]≥0且
[0053][0054]
其中，a
ij
＝p[q
t+1
＝sj|q
t
＝si]≥0且所有i满足
[0055][0056]
其中，c
nm
≥0且所有n满足
[0057][0058][0059]
其中，和u
nm
分别代表混合元x
nm
的d维均值向量和d
×
d维协方差矩阵。状态sn的观测向量的概率密度函数(probability density function，pdf)可以描述为：
[0060]
[0061]
式中，为观测向量对应的混合元x
nm
的概率密度函数。
[0062]
在一些实施例中，在确定好故障特征指标后，观测向量维数d则相应确定。在给定gmm-hmm模型的状态数n和混合元数目m的情况下，处理器可以基于历史案例数据的样本库，利用分段k-means算法进行参数初始化，并基于baum-welch算法完成gmm-hmm模型参数估计。
[0063]
在完成上述离线设计部分后，在线诊断装置就可以应用到牵引系统故障的在线诊断中，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。在一些实施例中，在线诊断方法的在线实现部分可以由在线诊断装置的故障检测单元和故障分类单元相互配合来实现。在一些实施例中，故障检测单元和故障分类单元可以通过两个相互通信连接的处理器来实现。可选地，在另一些实施例中，故障检测单元和故障分类单元也可以由同一处理器分别执行两个软件模块来实现。
[0064]
请参考图2，图2示出了根据本发明的一方面提供的牵引系统故障的在线诊断方法的流程示意图。
[0065]
如图2所示，本发明提供的上述牵引系统故障的在线诊断方法可以包括步骤201：监测牵引系统的故障特征变量。
[0066]
在本发明的一些实施例中，牵引系统故障的在线诊断装置可以基于阈值超限报警的故障检测结果来进行进一步故障定位。具体来说，当牵引系统出现异常时，其相关的传感器采集信号将出现瞬时异常。在线诊断装置可以根据传感器采集的传感器信号来判断牵引系统是否发生异常。
[0067]
在一些实施例中，本发明可以根据工程应用经验，选择与各类阈值超限报警故障检测结果强相关的相关传感器信号的时域统计量作为故障特征指标。以牵引系统中常见的牵引变压器原边过流故障为例，与原边过流各类故障源关联度最大的为原边电压信号与原边电流信号。因此，本发明可以选择原边电压信号与原边电流信号为牵引变压器原边过流故障的故障特征变量。处理器可以监测牵引系统的原边电压信号与原边电流信号，以判断牵引系统是否发生异常。
[0068]
如图1所示，故障检测单元可以首先利用设于牵引变压器原边的电压传感器实时监测牵引变压器原边的电压信号，并利用设于牵引变压器原边的电流传感器实时监测牵引变压器原边的电流信号。之后，故障检测单元可以将获取的电压信号和电流信号分别与给定的电压阈值和电流阈值进行比较。
[0069]
若获取的电压信号超过给定的电压阈值，则故障检测单元可以判断电压的故障特征变量发生异常。反之，若获取的电压信号没有超过给定的电压阈值，则故障检测单元可以判断电压的故障特征变量没有发生异常。
[0070]
相应地，若获取的电流信号超过给定的电流阈值，则故障检测单元可以判断电流的故障特征变量发生异常。反之，则故障检测单元可以判断电流的故障特征变量没有发生异常。
[0071]
如图2所示，本发明提供的上述牵引系统故障的在线诊断方法还可以包括步骤202：响应于故障特征变量异常而输出对应的故障分类使能标志。
[0072]
在上述实施例中，响应于判断任意故障特征变量发生异常，故障检测单元可以生成持续一定周期的故障分类使能标志到故障分类单元。该故障分类使能标志可以持续多个
工频周期，用于标识发生异常的故障特征变量。
[0073]
如图2所示，本发明提供的上述牵引系统故障的在线诊断方法还可以包括步骤203：根据故障分类使能标志采集牵引系统的相关时域统计量。
[0074]
在上述实施例中，响应于故障分类使能标志，故障分类单元可以从故障检测单元获取故障特征变量，并根据收到的故障分类使能标志从对应的传感器获取其他相关的时域统计量。具体来说，以上述牵引变压器原边过流故障为例，故障分类单元可以采集周期滑动窗口内原边电压和原边电流的最大峰值、最小峰值、高幅值持续时间、低幅值持续时间、最小峰值变化率等时域统计量，以作为其他相关于牵引变压器原边过流故障的时域统计量，用于实现牵引变压器原边过流故障的不同故障源的准确分类。
[0075]
如图2所示，本发明提供的上述牵引系统故障的在线诊断方法还可以包括步骤204：从相关时域统计量提取相关特征指标，以生成观测向量序列。
[0076]
在本发明的一些实施例中，故障分类单元可以将周期滑动窗口内原边电压和原边电流的最大峰值、最小峰值、高幅值持续时间、低幅值持续时间、最小峰值变化率等时域统计量，定义为牵引变压器原边过流故障的故障特征指标。之后，故障分类单元可以对上述原边电压、原边电流等故障特征变量及该故障特征变量异常相关的其他相关时域统计量进行归一化等预处理，从而综合计算其相关特征指标，并生成对应的观测向量序列
[0077]
如图2所示，本发明提供的上述牵引系统故障的在线诊断方法还可以包括步骤205：将观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为牵引系统的故障诊断结果。
[0078]
在本发明的一些实施例中，故障分类单元可以根据故障分类使能标志确定与检测到的故障特征变量异常相关的多个故障模型。这些故障模型可以是在上述离线设计部分预先训练好的gmm-hmm模型。之后，故障分类单元可以将在线实现部分生成的观测向量序列逐一载入这些经过预先训练的相关故障模型λ＝(π,a,c,μ,u)，以确定该观测向量序列在各故障模型下的概率p[o|λ]，从而综合地决策牵引系统的具体故障类型。
[0079]
请参考图3，图3示出了根据本发明的一些实施例提供的牵引系统故障的在线诊断方法的流程示意图。
[0080]
如图3所示，在本发明的一些实施例中，响应于故障分类使能标志关联于多个预先训练好的gmm-hmm模型。故障分类单元可以先将观测向量序列载入其中第一个经过预先训练的相关的gmm-hmm模型λ＝(π,a,c,μ,u)，以计算观测向量序列在该第一个模型下的概率p[o|λ]。
[0081]
考虑到概率p[o|λ]通常为一些很小的数，似然估计相乘后难免出现数据下溢的问题。在一些优选的实施例中，处理器可以对概率p[o|λ]进行对数运算，以计算观测向量序列的似然概率值log
10
(p[o|λi])，并将该似然概率值log
10
(ppo|λi])作为观测向量序列在第一个gmm-hmm模型下的概率值，从而有效地防止数据下溢的问题以提升故障诊断的准确性。
[0082]
在完成第一个模型的概率计算后，故障分类单元可以判断是否还有其他相关的gmm-hmm模型。响应于还有其他相关的gmm-hmm模型，故障分类单元可以进一步将观测向量
序列载入第二个经过预先训练的相关的gmm-hmm模型λ＝(π,a,c,μ,u)，以计算观测向量序列在该第二个模型下的概率p[o|λ]。依此类推，直到完成所有相关的gmm-hmm模型的概率计算。
[0083]
之后，故障分类单元可以比较各gmm-hmm模型下观测向量序列的似然概率值log
10
(p[o|λi])，以确定其中的最大概率值。在一些优选的实施例中，故障分类单元可以进一步将该最大概率值与给定的概率阈值p
th
进行比较。
[0084]
若该最大概率值大于给定的概率阈值p
th
，则故障分类单元可以输出该最大概率值对应的gmm-hmm模型的序号，以指示牵引系统发生的故障类型。反之，若该最大概率值小于概率阈值p
th
，则说明牵引系统发生各种类型故障的概率都很小，因此不必输出指示任何故障类型的故障诊断结果。
[0085]
通过以上描述可以理解，本发明利用故障特征指标分析及时序建模的方法，对牵引系统可能发生的各种故障类型建立了详细的gmm-hmm模型。在对牵引系统故障进行在线诊断时，本发明可以基于少数的传感器信号异常预测可能相关的各种故障类型，并通过采集相关的传感器信息来进行特征指标计算，以确定各种故障类型发生的概率值，从而实现牵引系统各类故障源的在线精确定位。此外，本发明不需要改变列车牵引系统的现有硬件，可以仅通过软件手段来实现，因此在工程上易于实现。
[0086]
更进一步地，通过对牵引系统各类故障源的在线精确定位，本发明还可以基于具体的故障点来执行差异化保护隔离动作，从而提升列车可用性。
[0087]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0088]
尽管上述的实施例所述的处理器、故障检测单元和故障分类单元可以通过软件与硬件的组合来实现。但是可以理解，这些处理器、故障检测单元和故障分类单元也可以单独在软件或硬件中加以实施。对于硬件实施而言，处理器、故障检测单元和故障分类单元可在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理器件(dapd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，处理器、故障检测单元和故障分类单元可以通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块可以执行一个或多个本文中描述的功能和操作。
[0089]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。